Curso 2016-2017

La asignatura Sistemas Inteligentes para la Gestión de la Empresa comprende el estudio de técnicas de inteligencia de negocio analítica, prestando atención a la resolución de problemas de análisis inteligente de datos reales del ámbito de la empresa y la ingeniería. Esta asignatura se complementa con la asignatura del primer cuatrimestre Análisis Inteligente de Datos.

Teoría:

El horario de clases de teoría durante este curso es el siguiente:

Transparencias de la asignatura:

• Presentación.
• Tema 1. Introducción a la Ciencia de Datos
  • Ciencia de datos.
• Tema 2. Depuración y Calidad de Datos
  • Preprocesamiento de datos
• Tema 3. Análisis Predictivo para la Empresa
  • Modelos predictivos avanzados de clasificación
    
• Tema 4. Análisis de Transacciones y Mercados
  • Descubrimiento de patrones y subgrupos
• Tema 5. Modelos Avanzados de Analítica para la Empresa
  • Visualización de datos
  • Minería de textos
  • Minería de medios sociales
• Tema 6. Big Data
  • Introducción a big data
  • Tecnologías de big data. Ecosistema Hadoop
• Tema 7. Aplicaciones de la Ciencia de Datos en la Empresa.

Prácticas:

El horario de clases prácticas durante este curso es el siguiente:

Seminarios:

• Seminario 1. Herramienta de análisis predictivo: KNIME.
• Seminario 2. Herramientas de predicción, depuración y calidad de datos (Paquetes en R, CRAM).
• Seminario 3. Visualización y Herramienta (Tableau).
  

Casos Prácticos:

• Caso práctico 1. Predicción con datos con el dataset adult.
  • adult (formato R)
  • adult_descripcion
  • adult.tra.keel.dat
  • adult.tst.keel.dat

Guiones de Prácticas:

• Práctica 1: Predicción con datos del TITANIC (Entrega: 26 de Abril)
• Práctica 2: Predicción múltiples clases en la plataforma KAGGLE (Entrega: Junio)

Enlaces de interés. Blogs, noticias, artículos de interés:

• Noticias
  • EL PAIS (03-06-2009) Tus datos íntimos son una mina
  • Materia (19-08-2013) Twitter patina como oráculo electoral
  • EL PAIS (29-09-2013) El maná de los datos
  • El Mundo (11-10-2013) 'Arte de datos' para digerir el exceso de información
  • Revista Cloud Computing (22-10-2013) España necesitará 60.000 profesionales de Big Data hasta 2015
  • Materia (27-03-2014) El gripazo de Google muestra las flaquezas del 'big data'
  • EL PAIS (25-04-2014) 10 maneras de mejorar nuestra calidad de vida usando big data
  • EL PAIS (13-09-2014) Comprar en la era de Big Data
  • EL PAIS (26-09-2014) Datos de móviles predicen en qué zona de Londres sucederá un crimen
  • El PAIS (28-10-2014)El Big Data echa una mano al campo 
  • El PAIS (29-01-2015) Cuatro compras con la tarjeta bastan para identificar a cualquier persona
  • EL PAIS (25-02-2015) Este programa juega mejor a los 'marcianitos' que un humano 
  • EL PAIS (31-03-2015) Qué es eso del 'big data'
  • EL PAIS (19-05-2015) Lo que tu movil sabe de ti
  • EL MUNDO (22-05-2015) Asi cambiara tu vida el big data en 11 ejemplos practicos 
  • EXPANSION (27-06-2015) Cómo el Big Data puede ahorrar millones a las aerolíneas 
  • CONSULTORAS (22-07-2015) Atos utiliza Big Data analytics para conseguir unas calles más seguras 
  • CINCO DIAS (24-07-2015) Así son los superordenadores de Montoro contra el fraude fiscal
  • XATAKA (14-08-2015) Big data en el fútbol El Atléti ganó La Liga de 2014 porque era (entre otras cosas) menos predecible 
  • MIT TECHNOLOGT REVIEW (15-09-2015) Deep Learning Machine Teaches Itself Chess in 72 Hours, Plays at International Master Level
  • EL MUNDO (22-09-2015) El 'rey' mundial de las máquinas que 'predicen' el futuro

• Blogs y websites de interés

	BzST | Business Analytics, Statistics, Technology A blog by Prof. Galit Shmueli
	KDnuggets News on Analytics, Big Data, Data Mining
	Kaggle: The Home of Data Science

• Links a material complementario en la WEB

Aprender R

Otros documentos de apoyo:

• Tema 1. Introducción a la Ciencia de Datos 
  • Ciencia de datos.
• Tema 2. Depuración y Calidad de Datos
  
  • J. Luengo, S. García, F. Herrera, On the choice of the best imputation methods for missing values considering three groups of classification methods. Knowledge and Information Systems 32:1 (2012) 77-108
  • • Material complementario del artículo
  • S. García, J. Derrac, J.R. Cano, F. Herrera, Prototype Selection for Nearest Neighbor Classification: Taxonomy and Empirical Study. IEEE Transactions on Pattern Analysis and Machine Intelligence 34:3 (2012) 417-435
    • Prototype Selection for Nearest Neighbor Classification: Survey of Methods
  • A Survey of Discretization Techniques: Taxonomy and Empirical Analysis in Supervised Learning. IEEE Transactions on Knowledge and Data Engineering 25:4 (2013) 734-750
    • Material complementario del artículo
• Tema 3. Análisis Predictivo para la Empresa
  
  • Modelos predictivos avanzados de clasificación
    
• Tema 4. Análisis de Transacciones y Mercados
  • Descubrimiento de patrones y subgrupos
• Tema 5. Modelos Avanzados de Analítica para la Empresa
  • Visualización de datos
  • Minería de textos
  • Minería de medios sociales
• Tema 6. Big Data
  • Introducción a big data
  • Tecnologías de big data. Ecosistema Hadoop
• Tema 7. Aplicaciones de la Ciencia de Datos en la Empresa

Enlaces de software:

• SpagoBI
• KNIME
• Talend
• R
• Weka
• Apache Hadoop
• Apache Mahout
• pbdR: programming with big data in R
• MOA: Massive Online Analysis
• KEEL
• Software (open source tools)

Tutorías:

El horario de tutorías de los profesores de la asignatura durante este curso es el siguiente:

Page Maintained by J. Maillo and S. González